2026 年旧硬件 Linux 复兴指南:选对发行版,让旧 PC 重焕生机!

Linux Lite 7.2发布:新添AI支持和多项改进,重新定义轻量级Linux系统体验 随着Linux系统在各类用户中的普及和发展,作为一款以轻量、易用著称的Linux发行版,Linux Lite不断为用户带来高效和稳定的体验。近日,Linux Lite正式发布了其最新版本——Linux Lite 7.2。这一版本基于Ubuntu 24.04.1 LTS,不仅更新了核心功能,还引入了AI支持、全新主题管理器、增强的更新工具等,旨在为用户提供更加便捷、智能的系统使用体验。 阅读详情

旧硬件上的 Linux:2026 年完全复兴指南

从落灰的抽屉到日常主力机:通过轻量级 Linux、zram 调优和明智的浏览器选择,手把手教你让旧硬件重焕生机。

为何你的旧 PC 尚未“死亡”(2026 年)

每年,全球大约会丢弃 6200 万公吨电子垃圾,且这一数字还在不断攀升。其中,有相当一部分是功能完好的硬件,只是微软不再提供支持罢了。Windows 11 需要 TPM 2.0、安全启动和相对较新的 CPU,2014 年至 2019 年生产的那些性能依然良好的机器就这样被冷落了。

其实,这些机器运行缓慢并非因为老旧,而是 Windows 系统变得越来越臃肿,而硬件却未曾升级。Linux 则不存在这个问题,全新安装的 Ubuntu 搭配 Xfce 桌面环境,闲置时大约仅占用 650MB 内存,而 Windows 11 在还未打开浏览器时就需占用 3 到 4GB 内存,孰优孰劣一目了然。

2026 年发布的三个重要版本证明,轻量级 Linux 不再是小众之选。2 月发布的 BunsenLabs Carbon 基于 Debian 13,不过它放弃了对 i386 的支持,如果你使用的是非常古老的硬件,这一点需要留意。4 月推出的 Xubuntu 26.04 LTS 搭载了 Xfce 4.20,提供三年支持。6 月发布的 Linux Lite 8.0 配备了自定义性能内核、内置游戏栈和本地 AI 助手。整个生态系统充满活力,它正期待着你的旧机器加入。

选择发行版前评估硬件(2026 年)

在下载任何东西之前,你得先了解自己手头的硬件状况。每次处理旧机器时,都会运行三个命令,它们能让人清楚硬件是否值得拯救,以及该朝哪个方向进行优化。

下面是对这些数据的解读。如果内存小于 2GB,那就得选择最轻量级的发行版;内存介于 2GB 到 4GB 之间,大多数轻量级发行版都可以考虑;内存超过 4GB,基本上可以运行任何发行版。至于 CPU 架构,在 2026 年,如果 CPU 仅支持 32 位,那么可选的发行版就非常有限了,因为大多数现代发行版都已完全放弃了对 32 位的支持。BunsenLabs Carbon 是少数仍提供 i386 镜像的发行版之一,但现在也不再支持了。

存储的重要性往往被人们低估。如果你还在使用机械硬盘,那么将其更换为 SSD 是提升性能最有效的方法。

专业提示:在安装任何系统之前,先从可引导的 USB 启动,运行上述三个命令。这种实时环境能让人在不安装系统的情况下,真实了解硬件的性能表现。如果实时会话运行起来很卡顿,那么安装后的系统也不会突然变快。

选择合适的轻量级发行版(2026 年)

多年来,测试过数十种轻量级发行版。那些能经受住考验的发行版,都是在资源使用和实际可用性之间取得了平衡。以下是根据实际测试总结的分级系统。

一级:内存小于 2GB

当内存小于 2GB 时,每兆字节都至关重要。这些发行版就是为这种情况量身打造的。

antiX 是处理极度受限硬件的首选,它基于无 systemd 的 Debian Stable 系统,闲置时大约仅占用 256MB 内存,还能提供完整的桌面体验。不过,与基于 Ubuntu 的发行版相比,它的界面可能不够精致。如果你需要更轻量级的系统,Puppy Linux 可以完全在内存中运行,能让大多数发行版都无法启动的机器起死回生。虽然它的学习曲线较陡,但性能无与伦比。

BunsenLabs Carbon 也值得一提,它使用了超轻量级的窗口管理器 Openbox,基于 Debian 13。其桌面简约但高度可定制,不过,Carbon 版本放弃了对 i386 的支持,所以非常古老的 32 位机器无法运行它。

二级:内存 2GB 到 4GB

这是大多数硬件复兴项目的理想范围,有足够的空间运行一个完整的桌面环境,而无需担心每个后台进程的资源占用。

Lubuntu 26.04 LTS 使用 LXQt 桌面环境,闲置时大约占用 480MB 内存,它是基于 Ubuntu 且提供完整 LTS 支持(至 2029 年)的最轻量级选项。如果你想要更精致的体验,Linux Lite 8.0 搭载了 XFCE 桌面环境,配备自定义性能内核、内置游戏栈以及 Lite Software 和 Lite Kernel Manager 等实用工具。它闲置时大约占用 650MB 内存,比 Lubuntu 多一些,但这些额外的工具能为大多数用户带来更好的开箱即用体验。

在一台 2014 年的 ThinkPad T440s 上对这两个发行版进行了测试。Lubuntu 在启动时间和闲置内存占用方面表现更快,而 Linux Lite 在实际使用中感觉更流畅,这得益于其 BORE 调度器,它优先考虑交互式响应,而非闲置效率。如果作为日常主力机,更倾向于 Linux Lite;如果内存小于等于 2GB,Lubuntu 则是更实际的选择。

三级:内存 4GB 到 8GB

内存达到 4GB 及以上时,可以轻松运行任何轻量级发行版。Xubuntu 26.04 LTS 提供了 Xfce 4.20 桌面环境,以及 Ubuntu 完整的软件包生态系统。Linux Mint Xfce 则添加了类似 Windows 的界面,采用了受 Cinnamon 启发的布局。这两个发行版都是不错的选择,最终的决定更多取决于个人喜好,而非硬件限制。

桌面环境大比拼:LXQt 与 Xfce 与 MATE(2026 年)

桌面环境是每天实际交互的界面,对于日常使用的舒适度而言,它比底层的发行版更为重要。在这三种桌面环境上都花费了数百小时,以下是真实评价。

更喜欢 Xfce,因为它的定制深度更高。当想要调整面板位置、添加小部件或更改窗口行为时,Xfce 能提供更多选项,而无需编辑配置文件。如果只是想要一个简单的任务栏,LXQt 配置起来更快,但在追求个性化设置时会遇到瓶颈。MATE 则处于两者之间,比 LXQt 更精致,比 Xfce 可定制性稍低。

LXQt 和 Xfce 之间的性能差距确实存在,但比过去小了很多。在测试机器上,LXQt 闲置时比 Xfce 少占用约 50 到 80MB 内存。对于内存为 2GB 的机器,这个差距很重要;但对于内存为 4GB 及以上的机器,这个差距就可以忽略不计了。建议从可引导的 USB 启动进行测试,选择感觉最适合自己的桌面环境。

小贴士:zram 可以在内存中压缩内存内容,而不是将其写入磁盘。在旧硬盘上,这可以避免因交换操作而导致的性能大幅下降。一台配备 4GB 内存并配置了 zram 的机器,使用起来感觉就像有 6 到 8GB 内存一样,因为压缩后的内存仍然比基于磁盘的交换更快。

内存优化:zram、交换倾向和服务精简(2026 年)

选择好发行版后,下一步就是充分挖掘硬件的性能潜力。以下三种技术适用于任何 Linux 发行版,能显著提升旧机器的性能。

设置 zram

zram 会在内存中创建一个压缩交换设备,Linux 会将内存内容压缩后存储在内存中,而不是写入速度较慢的硬盘。虽然压缩过程会消耗少量 CPU 资源,但对于过去 15 年内生产的机器来说,与磁盘 I/O 节省的资源相比,这点消耗可以忽略不计。

安装完成后,配置文件位于 `/etc/default/zramswap`。默认设置适用于大多数机器,但如果需要,可以调整算法和大小。在 Ubuntu 上,zram-tools 默认使用 lzo-rle 压缩算法,它在速度和压缩比之间取得了最佳平衡。

调整交换倾向

交换倾向控制着 Linux 将内存内容交换到磁盘的积极程度。默认值 60 适用于大多数机器,但对于旧硬盘,降低该值会更有好处。当交换空间位于机械硬盘上时,每次交换操作需要的时间会从纳秒级增加到毫秒级。

对于配备 SSD 的机器,建议将交换倾向保持在 60,因为 SSD 的速度足够快,交换操作不会造成明显的性能损失。对于旧硬盘,10 到 20 是比较合适的值,这样在需要时仍然可以使用交换空间,但系统会尽量将数据保留在内存中。

禁用不必要的服务

每个运行的服务都会消耗内存和 CPU 周期。在全新安装的 Ubuntu 系统中,有几个默认运行的服务可能是不需要的。

如果不使用蓝牙,就可以禁用它;如果没有打印机,CUPS 服务就是在浪费资源;如果不需要 mDNS 服务发现,Avahi 服务也可以关闭。每禁用一个服务,都能释放少量内存,在资源受限的硬件上,这些小的节省会累积起来。

重要意义:使用 Linux 让旧 PC 的使用寿命延长两到三年,可以避免它被扔进垃圾填埋场。一台这样的机器大约代表着 30 到 50 千克的电子垃圾,其中包括塑料、金属和稀土元素,这些物质的提取需要消耗大量能源。让硬件重获新生是大多数人可以采取的最直接的环保行动。

SSD 升级:在旧硬件上是否值得?(2026 年)

如果旧机器仍然使用机械硬盘,那么升级到 SSD 是提升性能最显著的改变。在同一台硬件上分别测试了使用 HDD 和 SSD 时的启动时间,差异非常明显。

一台配备机械硬盘的旧笔记本电脑,启动 Ubuntu 需要 45 到 60 秒;而同样的机器配备 SATA SSD 后,启动时间只需 12 到 18 秒。应用程序的启动时间从 5 到 8 秒缩短到 2 秒以内,整个系统感觉焕然一新。而且,升级一个 256GB 的 SATA 硬盘通常花费不到 30 美元。

升级过程很简单,使用 `dd` 或 Clonezilla 克隆现有硬盘,然后更换物理硬盘即可。克隆完成后,确保启用了 TRIM 功能,这样 SSD 才能长期保持性能。

在 Ubuntu 上,`fstrim.timer` 默认每周运行一次,这对大多数用户来说已经足够。如果想手动控制,可以随时运行 `sudo fstrim -av`。

那么,什么时候 SSD 升级不值得呢?如果机器的 SATA 控制器出现故障、内存小于 2GB 且无法升级,或者 CPU 仅支持 32 位且没有 64 位支持,在这些情况下,硬件已经达到了自然极限,采用纯软件的方法会更实际。

受限硬件的浏览器优化(2026 年)

浏览器通常是 Linux 桌面上最消耗资源的应用程序。打开十个标签页的 Firefox 很容易就会占用 2 到 3GB 内存。在总内存为 4GB 的机器上,留给操作系统的内存就所剩无几了。通过一些配置更改,可以显著改善这种情况。

打开 Firefox,在地址栏中输入 `about:config`,接受风险警告,然后搜索并修改以下设置:

  • browser.cache.disk.enable:设置为 `false`。如果使用的是 SSD,磁盘缓存就没有必要了(内存缓存已经足够快);而在旧硬盘上,磁盘缓存会不断进行小写入操作,从而降低性能。
  • browser.sessionhistory.max_entries:从 50 减少到 15。这可以限制 Firefox 在每个标签页历史记录中保存的页面数量,减少内存消耗,同时不影响正常浏览。
  • browser.sessionstore.interval:从 15000 增加到 60000。这可以减少 Firefox 保存会话数据的频率,减少旧硬盘上的磁盘写入操作。

除了 Firefox 的配置,还可以安装 uBlock Origin。在旧硬件上,这是必不可少的。广告繁多的网站会为了跟踪脚本消耗大量 CPU 和内存,而这些脚本是从未主动请求的。uBlock Origin 可以在这些脚本加载之前将其阻止,在广告较多的网站上,这可以将页面内存使用量减少 30% 到 50%。

如果 Firefox 仍然感觉占用资源过多,可以考虑 Falkon 或 Pale Moon。这两个浏览器比 Firefox 更轻量级,但插件生态系统相对较弱。

注意事项:BunsenLabs Carbon 在 2026 年 2 月的版本中放弃了对 i386 的支持。如果要让非常古老的 32 位机器重获新生,需要使用旧版本的 BunsenLabs(如 Beryllium 或更早版本),或者切换到仍然支持 32 位的发行版,如带有非免费固件的 Debian 12。

将旧硬件重新用作家庭服务器(2026 年)

有时候,旧硬件的最佳用途并非作为桌面电脑。如果机器速度太慢,无法满足日常桌面使用需求,但仍然可以正常工作,将其转换为家庭服务器可以让它在资源需求较低的情况下发挥第二春。

运行 Ubuntu Server 或 Debian Minimal 的文件服务器,只需不到 512MB 内存就能为家庭网络提供服务。Pi-hole DNS 服务器所需的内存更少。运行 Jellyfin 的媒体服务器可以在配置一般的硬件上轻松地向其他设备流式传输内容。关键在于,服务器工作负载通常是间歇性的,机器大部分时间处于闲置状态,只有在有人请求时才会满负荷工作。

如果想走这条路,推荐 Ubuntu Server 26.04 LTS 或 Debian 12 Minimal,这两个发行版都很轻量级、稳定,且提供多年支持。

从桌面电脑转换为服务器,还能让人学习到在专业环境中很有价值的 Linux 管理技能,如网络配置、服务管理、安全加固和自动化等。旧硬件就成了一个实践实验室。

何时放弃:诚实的失败标准

并非每台旧机器都值得拯救。吃过不少苦头才明白这一点,知道何时该放弃可以节省时间和精力。

  • 硬件底线:如果机器仅支持 32 位,且内存小于 1GB,那么可选的范围就非常狭窄了。Puppy Linux 和一些 Debian 衍生版可以运行,但除了基本的文本编辑,使用体验会非常糟糕。在这种情况下,硬件已经达到了自然极限。
  • 硬件故障指标:使用 `sudo smartctl -a /dev/sda` 对硬盘进行 SMART 检查。如果看到重新分配扇区、待处理扇区或不可纠正的错误,说明硬盘正在损坏,要么更换硬盘,要么回收机器。内存错误也是一个危险信号,如果 `memtest86+` 检测到错误,说明内存模块出现故障,软件修复无法解决问题。
  • 散热问题:风扇堵塞、散热膏干涸的旧笔记本电脑会频繁降频。如果 CPU 在轻负载下温度就达到 90 摄氏度,那么在进行任何软件优化之前,需要先对机器进行物理维护,如清洁风扇、更换散热膏,然后再试。如果问题仍然存在,可能是散热系统物理损坏。
  • 诚实评估:如果在应用了本指南中的优化方法后,机器仍然无法以可用的速度运行轻量级 Linux 桌面,那么是时候负责任地回收它了。大多数城市都有电子垃圾回收计划,不要将其扔进垃圾桶,因为这些组件包含可回收的金属和有毒物质,需要妥善处理。

结论

用 Linux 让旧硬件重获新生不仅可行,而且实用、环保,常常能让机器比新的时候运行得更快。关键在于根据硬件配置选择合适的发行版,使用 zram 和服务精简来优化内存使用,并诚实地评估硬件是否已达到极限。

如果内存达到 4GB 或更多,Linux Lite 8.0 或 Xubuntu 26.04 可以为你提供精致的日常使用体验;内存介于 2GB 到 4GB 之间,Lubuntu 26.04 LTS 是更实际的选择;内存小于 2GB,在硬件支持 64 位的情况下,antiX 或 BunsenLabs 是最佳选择。升级 SSD 可以让任何旧机器脱胎换骨,而浏览器优化可以防止 Firefox 耗尽所有的可用内存。

电子垃圾危机是真实存在的,每让一台机器继续运行,就意味着少一件硬件被扔进垃圾填埋场。旧 PC 并未死亡,它只是需要一个合适的操作系统。

麒麟v10(ky10.x86_64)升级——openssl-3.2.2、openssh-9.8p1 执行命令: make -j 4 && make install 这里要等待一段时间,等待编译完成。执行命令: ./configure --prefix=/usr/local/src/zlilb。执行命令: ./config --prefix=/usr/local/src/openssl。执行命令: make -j 4 && make test && make install。执行命令: make -j 4 && make install。执行命令: /etc/init.d/sshd restart。 阅读详情

相关推荐

AI辅助编程实战指南:从提示工程到开发环境搭建

大型语言模型(LLM)作为现代人工智能的核心技术,通过自然语言理解和生成能力,正在深刻改变软件开发范式。其原理基于海量代码和文本数据的预训练,能够根据上下文生成符合逻辑的代码片段和解决方案。这一技术的核心价值在于将开发者从繁琐的语法和基础逻辑编写中解放出来,提升开发效率与代码质量。在实际工程应用中,AI辅助编程已广泛应用于日常编码、代码调试、文档生成和系统设计等场景。其中,提示工程(Prompt Engineering)和检索增强生成(RAG)是两项关键技术:前者通过结构化、角色化的指令设计,引导AI生成更

weixin_26775679的博客 622

一个披着 Windows 外壳的轻量级 Linux 系统

点关注公众号,回复“1024”获取2TB学习资源!简介Linux Lite 是一个对新手友好的 Linux 发行版,Linux Lite 是基于 Ubuntu LTS(长期支持)系列版本的免费操作系统,并以 XFCE 桌面为特色。Linux Lite 主要针对 Windows 用户而设计,其目标是提供一整套应用以帮助用户完成他们的日常电脑活动,包括完整的办公套件、媒体播放器和其它必要的日常软件,其...

民工哥的博客 944

Cadence IC617仿真实践:有源电流镜的共模抑制比优化策略

本文基于Cadence IC617平台,详细介绍了有源电流镜共模抑制比(CMRR)的仿真与优化全流程。从电路搭建、DC工作点分析到AC仿真获取差模/共模增益,逐步解析CMRR计算方法。核心优化策略包括提升电流镜输出阻抗、优化差分对匹配性及调整晶体管尺寸,并探讨了与电源抑制比(PSRR)的权衡,为模拟集成电路设计提供实用指南。

weixin_29313817的博客 185

Linux Lite 6.6 实体机j1900装系统记录。

周五划水刷到Linux lite 6.6 发布的消息,正好手里有台j1900的小主机,就打算实体机装下系统。

weixin_42689589的博客 3759

一个固定翼飞机仿真程序带你系统性上手如何实现配平(工具箱+脚本)

老规矩,该博客所用的模型和脚本已上传至百度网盘,名字为“固定翼配平训练例子”,自己自取。

zouxu634866的博客 2575

SpringBoot+Git+Jenkins+K8s容器化部署

SpringBoot+Git+Jenkins+K8s容器一套部署流程

可乐加.糖 473

Linux Lite 8.0正式发布:14年社区成果,多项升级优化带来更佳体验

Linux Lite 8.0(代号"Hematite")正式发布,它采用 Xfce 桌面环境,基于 Ubuntu 26.04 LTS 并搭载 Linux kernel 7.0,是该系统迄今规模最大开发周期的成果。修复了 Dirty Frag 漏洞,新增 BTRFS 和 XFS 文件系统,支持 JPEG - XL 和 HEIC image,部分应用采用深色主题增强对比度。Linux Lite 8.0 此次升级亮点颇多,社区驱动成果显著。其在多方面的优化和改进,有望吸引更多用户,提升在操作系统市场的竞争力。

IT界那些事儿 133

Xilinx DDR3 MIG IP核设计--汇总导航

快速上手Xilinx DDR3 IP核----汇总篇

孤独的单刀 2万+

2022 年适用于旧硬件的 10 个轻量级 Linux 发行版-谷歌翻译

我们重点列出了 2022 年非常适合您的旧 PC 的 10 个轻量级 Linux 发行版的列表。我们为您提供它们的功能以及使它们非常适合复兴旧硬件的原因。 我们认为您不应丢弃任何硬件,尤其是 PC 及其组件。理想情况下,设计良好的软件应始终在任何硬件上运行。有许多专门为旧硬件和 PC 设计的Linux 发行版。您可以借助这些 Linux 操作系统快速恢复它们。在这篇文章中,我们重点介绍了 2022 年轻量级和旧硬件友好的十个这样的 Linux 发行版。 2022 年 10 个轻量级 Linux 发行版

地球空间 1万+

ValueError: numpy.dtype size changed, may indicate binary incompatibility. Expected 96 from C 解决方案

本文主要介绍了ValueError: numpy.dtype size changed, may indicate binary incompatibility. Expected 96 from C header, got 88 from PyObject解决方案,希望能对使用Numpy的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 1万+

uniapp:APP报错Error: Not Found:Page[2][-1,1;-1,1,0,0,2-0] at view.umd.min.js:1(uniApp安卓苹果ios出现一大堆数字错误)

Error: Not Found:Page[2][一串数字] at view.umd.min.js:1,uniapp在APP端运行报错Error: Not Found:Page[2][-1,1;-1,1,0,0,2-0] at view.umd.min.js:1,uniapp真机运行偶尔出现Not Found:Page[2][-1,28] at view.umd.min.js:1,如何解决uniApp app报错:Not found -1,71 at view.umd.min.js:1,uniapp项目在H

✅ 精选推荐文章 3984

Linux Lite 7.8 正式发布!一个开箱即用的轻量级 Linux

Linux Lite 长期维护的“Lite系列”自研工具(如防火墙配置、软件源管理、系统信息收集等)因技术栈老旧、UI框架分散,在7.8版本中一次性重写。这个作为 7.x 系列的承上启下版本,此次发布的版本 Linux Lite 7.8 在稳定性、技术栈迁移和用户体验上实现了全面突破,尤其适合老旧设备用户、运维工程师及从Windows迁移至Linux的新手。官方推荐配置为双核1.5GHz CPU、4GB内存、40GB磁盘,可流畅运行于老旧办公电脑、运维跳板机及轻量级桌面虚拟机。

民工哥的博客 1351

2025 提高电力交易价格预测的疾风大模型方法综述

电力现货市场价格预测正转向大模型驱动的新范式。传统方法在极端波动、政策突变等场景下表现不佳,而Transformer、预训练时序模型(如Chronos-Bolt)和LLM混合框架展现出显著优势。关键技术包括多模态数据融合、两段式预训练微调、MoE架构和LLM-RAG增强解释性。案例显示,澳大利亚NSW市场误差降低43%,但混合模型路由仍必要。未来趋势涵盖数字孪生电网和多智能体竞价,需平衡模型创新与行业合规要求。大模型通过跨域学习与业务耦合提升预测,但需持续优化数据隐私、算力消耗和极端事件应对能力。

专注AI大模型,软件混淆,授权 1057

Linux Lite 7.2 切换中文及安装中文输入法

Linux Lite 7.2配置中文及输入法

weixin_43109204的博客 2193

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

2023 面向初学者的十款 Linux 发行版

如果你打算加入 Linux 大家庭,那么现在是时候了,为大家推荐十款面向初学者的Linux 发行版。这里可以作为一个完美的起点,帮助您在众多发行版中挑选出最适合的一款。

3971

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Falkon 项目常见问题解决方案

Falkon 项目常见问题解决方案 项目基础介绍 Falkon 是一个基于 Qt 的跨平台网络浏览器,由 KDE 社区开发和维护。该项目使用 QtWebEngine 渲染引擎,旨在提供一个轻量级且功能丰富的浏览器体验。Falkon 的主要编程语言是 C++,同时也使用了 CMake、HTML、NSIS、Python 和 CSS 等其他语言来支持项目的构建和功能实现。 新手使用注意事项及解决方案 1...

gitblog_01153的博客 1020

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

如何给旧电脑安装Linux系统

找到我们刚刚下载好的系统文件(去浏览器的下载位置找后缀名为mis的文件),双击,然后就会打开ultraiso软件(因为安装的时候已经将mis文件和ultraiso软件相关联了)具体操作:重启电脑,比如我的旧电脑是按esc进入主板设置界面,再比如华硕主板是开机狂按F8,然后找到启动顺序,改成U盘启动就好了(主板不同操作可能就不相同,大家百度即可)还有一个页面貌似是选择是否覆盖原来的系统的,我选择覆盖,因为我旧电脑用win10真的卡,之前的系统不会再用了。记得有一个页面是设置语言的,简体中文在最后。

weixin_71425546的博客 3176

linux lite 安装教程,Linux Lite用户第一个尝试Linux Kernel 5.1,以下是如何安装它

Linux Lite用户再次成为第一批在其个人计算机上安装最新Linux内核系列的用户,在本例中是刚刚发布的Linux Kernel 5.1。上周末发布的Linux Kernel 5.1是Linux 5.0内核系列的第一个主要更新,增加了许多新特性和一系列改进。重点包括为2038年问题做准备,为Btrfs文件系统配置Zstd压缩级别,以及在实时内核补丁中支持累积补丁。此外,Linux Kernel...

weixin_29310605的博客 738

Linux Lite 5.8系统正式发布 易用性开始向Windows看齐

导读 近日,LinuxLite 5.8正式发布。Linux Lite是一个对新手友好的Linux发行版,它基于 Ubuntu LTS,并以Xfce桌面为特色。 近日,Linux Lite 5.8正式发布。Linux Lite是一个对新手友好的Linux发行版,它基于 Ubuntu LTS,并以Xfce桌面为特色。 虽然目前PC用户大多会选择Windows操作系统,因为它受众人群广,简单易用。那么除了Windows操作系统,还有没有其它选择呢?答案是肯定的。 近日,Linux Lite 5.

llawliet0001的专栏 611

Falkon 项目教程

Falkon 项目教程 1. 项目介绍 Falkon 是一个由 KDE 社区开发的开源网页浏览器,专注于提供安全、隐私保护和高度可定制的用户体验。Falkon 内置了广告拦截器和密码管理器,并且支持多种扩展和主题,以满足不同用户的需求。Falkon 还与 KDE Plasma 桌面环境深度集成,遵循 Plasma 的主题偏好。 2. 项目快速启动 安装 Falkon 首先,确保你的系统已经安装了 ...

gitblog_00723的博客 744

linux lite 安装教程,Linux下安装X-Lite的解析

我们在linux系统下对Asterisk进行测试,就需要安装X-Lite客户端,但是我们在安装的过程中常常会遇到一些困难,现在爱站小编就为大家介绍Linux下安装X-Lite的解析,将安装过程一一罗列。1、准备安装源 X-Lite_Install.tar.gzftp://ftp.secyt.gov.ar/pub/software/X-Lite_Install.tar.gz2、处理tar -zxvf...

weixin_29000991的博客 1222

Linux Lite:一个友好的版本

针对Linux Lite的粗略介绍

sdau2005的博客 3323

Linux新系统正式发布,易用性开始向 Windows看齐!

点击上方“Java基基”,选择“设为星标”做积极的人,而不是积极废人!每天14:00更新文章,每天掉亿点点头发...源码精品专栏原创 | Java 2021超神之路,很肝~中文详细注释的开源项目RPC 框架 Dubbo 源码解析网络应用框架 Netty 源码解析消息中间件 RocketMQ 源码解析数据库中间件 Sharding-JDBC 和 MyCAT 源码解析...

weixin_44421461的博客 244

告别电子垃圾:用 Linux 拯救10年高龄电脑,性能焕新再战三年!

全球每年产生超过5000万吨电子垃圾,其中电脑设备占比高达20%!但真相是:这些设备只是“老了”,并非“死了”。换个思路,给它们“减减负”——换上一个轻量级的系统,它们完全能焕发新生,再次成为可靠的生产力工具!

很高兴认识你,愿意和你分享一切有趣、精彩的事 1427

Linux Lite 7.8重磅发布,12款核心应用全面重写,正式迈向Python + GTK4新时代!

在轻量级 Linux 发行版领域,一直是一个非常“务实”的存在。它并不追逐最前沿的炫技特性,而是以作为核心目标,尤其深受运维工程师、老旧设备用户以及 Windows 转 Linux 用户的喜爱。近日,Linux Lite 官方正式发布了。这是 7.x 系列中一次:一方面继续基于成熟的 Ubuntu LTS 生态,另一方面又为即将到来的架构升级铺平道路,尤其是在方面,迈出了决定性的一步。Linux Lite 7.8 基于,距离上一个 7.6 版本约 5 个月时间。桌面环境依旧选择。

网络技术联盟站 1352

linux lite 安装教程,Linux Lite用户更新系统安装Linux kernel 4.18的方法

Linux Lite向用户推送了最稳定的Linux内核版本:Linux kernel 4.18,支持32位及64位系统,这意味着所有收到推送的Linux Lite用户现在都可以安装并使用Linux kernel 4.18内核。适用版本该内核版本适用于Linux Lite 4.x “Diamond”,Linux Lite 3.x “Citrine”和Linux Lite 2.x “Beryl”操作系...

weixin_36259939的博客 789
上一篇: 2026年美国解除Anthropic模型Mythos禁令,允许向百家美机构发布
下一篇: DEFLATE 13 级压缩:速度慢 56.4 倍,仅提高 0.134% 压缩率,值吗?
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值